Automated Prediction of Postoperative Pancreatic Fistula Using Preoperative Computed Tomography

技術要約：術前コンピュータ断層撮影を用いた術後膵液瘻の自動予測

問題提起
術後膵液瘻（POPF）は、膵切除術後に発生する深刻な合併症であり、罹患率や入院期間、医療コストを著しく増大させる。臨床的に重要なPOPF（CR-POPF）の発症率は10%から40%に及ぶ。従来のリスク層別化は、臨床的因子（BMI、膵管径など）や術中評価に依存しているが、これらの手法は精度が中程度であり、主観性に乏しい場合が多い。著者らは、術前のコンピュータ断層撮影（CT）スキャンには、微細なテクスチャ特徴や解剖学的バリエーションを含む高次元の豊富なデータが含まれており、これらを活用することで手術前にリスクをより良く特徴付けられる可能性があると考えているが、この潜在能力は現在の統計モデルでは十分に活用されていない。

手法
本論文では、術前のCT画像のみを用いてCR-POPFの確率を予測するために設計された、エンドツーエンドのディープラーニング・パイプラインを提案している。ワークフローは、主に以下の4つの段階で構成される：

1. データコホートおよび前処理：

   • 本研究では、2010年から2020年の間に膵頭十二指腸切除術を受けた成人患者を含む、メイヨークリニックのプロスペクティブに維持されたデータセットを利用した。
   • 造影相に基づき、門脈相（N=1,353）と後期動脈相（N=963）の2つの異なるコホートを分析した。
   • フェーズ検出： XGBoost分類器を用い、ハンスフィールド・ユニット（HU）強度に基づいて各スキャンの造影相を判定した。
   • セグメンテーションおよびROI抽出： モデルを関連する解剖学的領域に集中させるため、自動膵臓セグメンテーションを用いてバイナリマスクを生成した。2種類のセグメンテーションソースを比較した：カスタムのMayo Clinic 3D nnU-Netモデル（MS）とTotalSegmentatorモデル（TS）。
   • 標準化： パイプラインは、強度の標準化のためにHUウィンドウイング（ウィンドウ幅=300、中心=80）を適用した。ボリュームは膵臓の周囲にタイトなバウンディングボックスを適用してクロップし、一定のサイズ（$H^\star_{in} \times W^\star_{in} \times D^\star_{in}$）になるようセンターパディングを行った。

2. モデルアーキテクチャ：
   二値分類（POPFあり vs なし）のために、3つの3D畳み込みニューラルネットワーク（CNN）アーキテクチャを評価した：

   • CNN3D： 残差ショートカットを備えた3つの畳み込みステージからなる、スクラッチから学習させたカスタムの軽量なベースラインネットワーク。
   • ResNet-(2+1)D-18： 3Dコンボリューションを空間および深度（スライス間）のコンボリューションに分解することで、3Dコンテキストを効率的にモデル化する残差アーキテクチャ。
   • ResNet-MC3-18： 混合時空間畳み込みを利用したモデルであり、初期レイヤーではスライス間のコンテキストのために3Dカーネルを用い、後半のレイヤーではスライスごとの空間畳み込みを用いる。

3. 学習および評価：

   • オーグメンテーション： 学習には、ランダムな3D反転、回転、ズーム、および強度摂動（ヒストグラム調整、ノイズ、平滑化）を含む、MONAIの確率的変換を利用した。
   • 最適化： モデルはAdamWを用い、OneCycle学習率スケジュールに従って学習された。クラス不均衡には、加重サンプリングと加重クロスエントロピー損失を用いて対処した。
   • 検証： パフォーマンスは、(i) バランスの取れた訓練/テスト分割、および (ii) 観察されたCR-POPFの有病率を保持する自然分布分割の2つのプロトコルの下で、5分割層化交差検証を用いて評価された。

主な結果
本研究では、AUC（ROC曲線下面積）、精度（Accuracy）、適合率（Precision）、再現率（Recall）、およびF1スコアを用いて性能を評価した。

• アーキテクチャの性能： 残差時空間バックボーン（ResNet-(2+1)D-18 および ResNet-MC3-18）は、カスタムのCNN3Dベースラインを一貫して上回った。
• セグメンテーションの影響： 膵臓マスクの品質は結果に大きく影響した。Mayo Segmentation（MS）マスクを使用したモデルは、TotalSegmentator（TS）マスクを使用したモデル（AUC 約0.65–0.66）と比較して、高いAUC（約0.73）を達成した。これは、ROIの忠実度の重要性を強調している。
• 造影相： 後期動脈相コホートにおいて、最良のモデル（MSマスクを用いたR2Plus1DResNet18）は、バランス分割で $0.73 \pm 0.04$、自然分布分割で $0.68 \pm 0.07$ のAUCを達成した。門脈相コホートでは、MSマスクを用いたR2Plus1DResNet18が、バランス分割で $0.73 \pm 0.06$、自然分布分割で $0.70 \pm 0.03$ のAUCを達成した。
• クラス不均衡： 自然分布分割の下では、典型的な不均衡な医療データセットの挙動として、再現率は高いまま維持されたが適合率は低下したが、AUCによるモデルの順位付けは一貫していた。

意義および主張
著者らは、本研究が術前のCT画像のみを用いてCR-POPFのリスクを層別化できる可能性を示していると主張している。主な貢献は以下の通りである：

• 方法論的ベンチマーク： 本論文は、膵臓特異的なCT分類のための現代的な3Dディープラーニングアーキテクチャの厳格な比較を提供し、将来の研究のためのベースラインを確立している。
• 臨床的有用性： 提案されたパイプラインは、術前の意思決定のための潜在的なツールを提供する。高リスク患者を術前に特定することで、臨床医は理論的に周術期管理をカスタマイズしたり、代替的な外科的手法（例：吻合を避けるなど）を検討したり、あるいは強化された術後モニタリングを実施したりすることができる。
• データ駆動型の知見： 結果は、膵臓を中心としたHUウィンドウ処理済みの術前CTスキャンに、計算による抽出が可能な、CR-POPFに関連する測定可能なイメージングシグネチャーが含まれていることを示唆している。

限界
著者らは以下の限界を明記している：

• 予測の範囲： 画像のみでは膵液�更の発達を完全に決定することはできない。なぜなら、結果は本モデルに含まれていない患者レベルの因子（年齢、併存疾患）や術中変数（出血量）にも影響されるためである。
• エラーの伝播： パイプラインは自動セグメンテーションに依存している。不完全なマスクやフェーズの誤分類は、最終的な予測へのエラー伝播を引き起こす可能性がある。
• 検証： 本研究には、展開前に堅牢性と臨床的有用性を確認するために必要な、独立した多施設共同コホートによる外部検証およびプロスペクティブな評価が欠けている。